清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Principled Hybrids of Generative and Discriminative Models

判别式 生成语法 计算机科学 生成模型 一般化 人工智能 机器学习 启发式 班级(哲学) 对象(语法) 模式识别(心理学) 透视图(图形) 数学 数学分析
作者
Julia Lasserre,C.M. Bishop,Tom Minka
标识
DOI:10.1109/cvpr.2006.227
摘要

When labelled training data is plentiful, discriminative techniques are widely used since they give excellent generalization performance. However, for large-scale applications such as object recognition, hand labelling of data is expensive, and there is much interest in semi-supervised techniques based on generative models in which the majority of the training data is unlabelled. Although the generalization performance of generative models can often be improved by ‘training them discriminatively’, they can then no longer make use of unlabelled data. In an attempt to gain the benefit of both generative and discriminative approaches, heuristic procedure have been proposed [2, 3] which interpolate between these two extremes by taking a convex combination of the generative and discriminative objective functions. In this paper we adopt a new perspective which says that there is only one correct way to train a given model, and that a ‘discriminatively trained’ generative model is fundamentally a new model [7]. From this viewpoint, generative and discriminative models correspond to specific choices for the prior over parameters. As well as giving a principled interpretation of ‘discriminative training’, this approach opens door to very general ways of interpolating between generative and discriminative extremes through alternative choices of prior. We illustrate this framework using both synthetic data and a practical example in the domain of multi-class object recognition. Our results show that, when the supply of labelled training data is limited, the optimum performance corresponds to a balance between the purely generative and the purely discriminative.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
田田完成签到 ,获得积分10
19秒前
1分钟前
别疯发布了新的文献求助10
2分钟前
在水一方完成签到 ,获得积分0
2分钟前
自由的梦露完成签到 ,获得积分10
3分钟前
Richard完成签到 ,获得积分10
4分钟前
薏仁完成签到 ,获得积分10
4分钟前
5分钟前
baixun完成签到 ,获得积分20
6分钟前
别疯完成签到,获得积分10
7分钟前
YifanWang应助科研通管家采纳,获得10
7分钟前
YifanWang应助科研通管家采纳,获得10
7分钟前
8分钟前
WSYang完成签到,获得积分10
8分钟前
紫熊发布了新的文献求助10
8分钟前
9分钟前
YifanWang应助科研通管家采纳,获得10
9分钟前
YifanWang应助科研通管家采纳,获得10
9分钟前
紫熊发布了新的文献求助20
9分钟前
9分钟前
研友_nxw2xL完成签到,获得积分10
11分钟前
muriel完成签到,获得积分10
11分钟前
12分钟前
Tttttttt完成签到,获得积分10
12分钟前
renxuda完成签到,获得积分10
13分钟前
renxuda发布了新的文献求助10
13分钟前
13分钟前
Jade张应助科研通管家采纳,获得20
13分钟前
Artin发布了新的文献求助50
14分钟前
bkagyin应助baixun采纳,获得30
14分钟前
Artin发布了新的文献求助50
14分钟前
Artin完成签到,获得积分10
15分钟前
15分钟前
baixun发布了新的文献求助30
15分钟前
lkk183完成签到 ,获得积分10
15分钟前
Jasen完成签到 ,获得积分10
17分钟前
妇产科医生完成签到 ,获得积分10
17分钟前
方白秋完成签到,获得积分10
20分钟前
HuiHui完成签到,获得积分10
21分钟前
沙海沉戈完成签到,获得积分0
21分钟前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
XAFS for Everyone (2nd Edition) 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3134020
求助须知:如何正确求助?哪些是违规求助? 2784845
关于积分的说明 7768793
捐赠科研通 2440219
什么是DOI,文献DOI怎么找? 1297308
科研通“疑难数据库(出版商)”最低求助积分说明 624920
版权声明 600792